热点事件持续更新

arXiv 论文：LLM 或可容忍硬件不可靠性

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

arXiv 论文（arXiv:2610.10311）提出，大语言模型可被训练以容忍硬件不可靠性，且错误韧性随模型规模增大而增强而非退化。作者基于 4 万 GPU 小时在模拟故障数字硬件上的训练运行，推导出修正的神经缩放律。作者据此推测，经适当训练的 LLM 可能是形式上容错的，这意味着在低能耗故障硬件上运行 AI 推理或可带来可观的能耗节省。上述容错性与节能前景均为该论文的推测，尚未被证实。

AI 根据报道生成 · 58 分钟前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月8日

12:00
arXiv：cs.LG
arXiv 论文提出容错基础模型：LLM 可在不可靠硬件上训练且错误韧性随规模增强
arXiv 论文（arXiv:2610.10311）显示，大语言模型可被训练以容忍硬件不可靠性，且错误韧性随模型规模增大而增强而非退化。作者基于 4 万 GPU 小时在模拟故障数字硬件上的训练运行推导出修正的神经缩放律，并推测经适当训练的 LLM 可能是形式上容错的，这意味着在低能耗故障硬件上运行 AI 推理或可带来可观的能耗节省。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。